发明内容为了解决现有技术存在的问题,本发明的目的在于提供一种基于深度学习的道路边界点检测方法。为了达到上述目的,本发明采用如下的技术方案:一种基于深度学习的道路边界点检测方法,首先采集和扩充交通场景图像数据集,并且对数据集进行道路边界点标注和预处理;其次对卷积神经网络进行训练,不断更新迭代,直到前向传播的损失函数值趋于收敛时,停止训练,得到深度学习模型;然后将待检测交通场景图片输入到深度学习模型中,提取图像特征,得到一组热图;根据热图预测交通场景图片中的道路边界点位置,再根据道路边界点进行道路边界的定位和道路区域的分割。

本发明进一步的改进在于,预处理的具体过程为:对标注后的数据集进行数据清洗,筛除掉标注有缺漏的数据,然后将图片尺寸 resize为248×248,再进行归一化处理。

本发明进一步的改进在于,卷积神经网络包括前馈模块和循环模块,两个模块都将热图作为输岀,并且使用相同的损失函数进行训练;前馈模块只运行一次,得到粗略的热图;循环模块将前馈模块或者前一次迭代输岀的热图和浅层网络提取到的特征进行特征融合,然后进行特征提取,最终得到一个更精准的热图。